rag-fusion

多路检索融合，让 RAG 答案更准更全

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署搜索知识 🍴 复刻 113 👀 关注 14

GitHub ↗

GitHub 星标 ★ 960

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类搜索知识

开发团队Raudaschl

GitHubhttps://github.com/Raudaschl/rag-fusion

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型chromadb,information-retrieval,openai,python,rag,rag-fusion,reciprocal-rank-fusion,retrieval-augmented-generation,vector-search

GitHub 星标★ 960

上线时间2023-09-25 00:00:00

代码更新2026-10-10

仓库体积13.9 MB

本站数据更新2026-11-10

维护状态维护中

收录时间2026-08-09

浏览次数1

项目介绍

RAG-Fusion 是一个改进检索增强生成（RAG）流程的开源项目，核心解决传统 RAG 中单一查询可能遗漏关键信息、导致生成结果不准确的问题。它通过多查询生成（multi-query generation）技术，将用户原始问题扩展为多个角度不同的子查询，分别进行检索，然后使用倒数排名融合（Reciprocal Rank Fusion, RRF）算法合并多个结果列表，从而提升最终检索到的文档相关性和多样性。项目提供了完整的评估工具链，内置 NFCorpus 和 BEIR 基准测试集，方便用户量化对比不同配置下的检索效果。代码基于 Python 实现，结构清晰，适合作为 RAG 系统的检索优化模块直接集成，或作为实验基准来测试其他检索策略。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 960

技术标签

chromadb information-retrieval openai python rag

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 30 分钟部署方式：本地 (Python) 5 步

环境要求

Python 3.10+
OpenAI 兼容模型 API Key
约 2GB 磁盘（嵌入模型）

安装与启动步骤

1装基础依赖

包括生成、向量库与 BM25 检索所需包。
```
pip install openai chromadb python-dotenv tqdm tabulate rank_bm25
```
2装检索增强依赖

重排与嵌入模型相关。
```
pip install sentence-transformers flashrank typesafe-sdk
```
3配置 Key

在 .env 里写模型 API Key 与要用的模型名。
4跑主流程

默认走 RAG-Fusion 全链路。
```
python main.py
```
5跑对比评测

用 evaluate.py 在样本上横向比较各检索策略。
```
python evaluate.py --sample 50 --methods bm25 baseline hybrid rag-fusion
```